[论文解读] DeepCOVIDExplainer: Explainable COVID-19 Predictions Based on Chest X-ray Images

Md Rezaul Karim, Till Döhmen+4 more|arXiv (Cornell University)|Apr 9, 2020

COVID-19 diagnosis using AI参考文献 25被引用 81

一句话总结

DeepCOVIDExplainer 提出了一种可解释的深度学习框架，用于通过胸部X光片（CXR）图像实现自动化COVID-19检测，采用带有Grad-CAM++和LRP的神经网络集成方法以提升可解释性。在包含15,959张CXR图像的数据集上，该方法在COVID-19分类任务中实现了96.12%的阳性预测值（PPV）和94.6%的F1分数，展现出高精度与临床可解释性。

ABSTRACT

Amid the coronavirus disease(COVID-19) pandemic, humanity experiences a rapid increase in infection numbers across the world. Challenge hospitals are faced with, in the fight against the virus, is the effective screening of incoming patients. One methodology is the assessment of chest radiography(CXR) images, which usually requires expert radiologist's knowledge. In this paper, we propose an explainable deep neural networks(DNN)-based method for automatic detection of COVID-19 symptoms from CXR images, which we call DeepCOVIDExplainer. We used 15,959 CXR images of 15,854 patients, covering normal, pneumonia, and COVID-19 cases. CXR images are first comprehensively preprocessed, before being augmented and classified with a neural ensemble method, followed by highlighting class-discriminating regions using gradient-guided class activation maps(Grad-CAM++) and layer-wise relevance propagation(LRP). Further, we provide human-interpretable explanations of the predictions. Evaluation results based on hold-out data show that our approach can identify COVID-19 confidently with a positive predictive value(PPV) of 91.6%, 92.45%, and 96.12%; precision, recall, and F1 score of 94.6%, 94.3%, and 94.6%, respectively for normal, pneumonia, and COVID-19 cases, respectively, making it comparable or improved results over recent approaches. We hope that our findings will be a useful contribution to the fight against COVID-19 and, in more general, towards an increasing acceptance and adoption of AI-assisted applications in the clinical practice.

研究动机与目标

• 为解决在放射科医生资源有限的医疗环境中，快速准确筛查COVID-19患者所面临的挑战。
• 开发一种深度学习模型，不仅能将CXR图像分类为正常、肺炎和COVID-19三类，还能提供人类可理解的解释。
• 通过使用可解释人工智能技术突出CXR图像中具有类别区分性的区域，提升临床医生对AI在放射学中应用的信任与采纳度。
• 在包含15,959张CXR图像的大型多样化数据集上评估模型性能，涵盖正常、肺炎和COVID-19病例。

提出的方法

• 该方法采用全面的预处理流程，对CXR图像进行标准化和增强，以提升图像质量。
• 在增强后的CXR图像上训练神经网络集成模型，以提高在正常、肺炎和COVID-19三类上的泛化能力与鲁棒性。
• 应用Grad-CAM++生成具有类别区分性的激活图，突出显示CXR图像中对预测决策起关键作用的区域。
• 采用逐层显著性传播（LRP）方法，进一步分解并解释每个像素对最终预测结果的贡献。
• Grad-CAM++与LRP的结合实现了人类可读的、局部化的模型预测解释。
• 在保留的测试数据上评估模型性能，使用精确率、召回率、F1分数和阳性预测值（PPV）进行衡量。

实验结果

研究问题

• RQ1 结合可解释人工智能技术的深度神经网络集成模型，能否在将CXR图像分类为正常、肺炎和COVID-19三类时实现高精度？
• RQ2 Grad-CAM++与LRP在多大程度上能为CXR图像的模型预测提供临床上有意义且可解释的解释？
• RQ3 与近期先进方法相比，该方法在预测性能与可解释性方面表现如何？
• RQ4 该模型是否能在真实临床环境中，对多样化的患者群体和影像差异保持高性能？

主要发现

• 在保留的测试数据上，模型对正常病例的阳性预测值（PPV）为91.6%，对肺炎病例为92.45%，对COVID-19病例为96.12%。
• COVID-19分类的精确率、召回率和F1分数分别为94.6%、94.3%和94.6%，表明模型性能均衡且出色。
• Grad-CAM++与LRP的结合使模型能够突出显示与疾病相关的解剖学区域，显著增强了临床可解释性。
• 该模型在准确率与可解释性方面均达到或优于近期最先进的方法。
• 结果表明，该模型可通过提供可靠且可解释的预测，支持临床决策，助力早期COVID-19筛查。